Bu bölümde görüntü işleme tekniklerinin tarım ve hayvancılık alanlarında kullanımına dair yapılan çalışmaların özeti yer almaktadır.
Sofu ve diğ. [50] yapmış oldukları çalışmada elmaların sınıflandırılması ve leke tespitinin yapılması amaçlanmıştır. Görüntüleri elde etmek için matlab ile uyumlu olarak çalışan bir kamera seçilmiştir. Çalışmanın yazılımı matlab programı kullanılarak geliştirilmiştir. Elmalara ait görüntüler çeşitli filtrelerden geçirilerek boyutları tespit edilmiş sonrasında leke tespiti yapılmaya çalışılmıştır. Yapılan çalışmanın başarı oranı %70 olarak tespit edilmiştir.
Kahya ve Arın [51] tarafından yapılan çalışmada meyvelerin dal üzerindeki yerlerinin belirlenmesi amaçlanmıştır. Kivi meyvesine ait görüntüler kamerayla alınmış bilgisayar ortamında işleme tabii tutulmuştur. Görüntü işlemede C# programında geliştirilen yazılım kullanılmıştır. Bu çalışma neticesinde meyvenin dal üzerindeki koordinat değerleri bulunmuştur.
Balcı ve diğ. [52] tarafından yapılan bu çalışmada Napolyon tipi kirazların sınıflandırılması amaçlanmıştır. Bu sınıflandırma sırasında kamera yardımıyla kirazların fotoğrafları çekilmiş görüntüler bilgisayar ortamına aktarılmıştır. Resim dosyası RGB-uint8 formatından Gray- uint8 formatına dönüştürülmüştür. Son olarak görüntü işlemede kullanılacak format olan binary formata dönüştürülmüştür. Matlab programıyla görüntü işleme teknikleri uygulanan görüntülerde her bir kirazın kaç kalibre olduğu belirlenmeye çalışılmıştır.
Sabancı ve diğ. [53] tarafından yapılan bu çalışmada patateslerin boyut olarak görüntü işleme ve yapay sinir ağı yardımıyla sınıflandırılması amaçlanmıştır. Şekil yüzeyi ve dış yüzeyi bozuk patatesler sınıflandırma işlemi dışında tutulmuştur. Çalışmada kullanılan görüntü işleme algoritmaları için matlab yazılımından faydalanılmıştır. Ayrıca elde edilen görüntüler üzerinde histogram eşitleme ve otsu metodu gibi tekniklerden yararlanılmıştır. Sonuçta patatesler büyük, orta, küçük boy olacak şekilde sınıflandırılmıştır.
Solak ve Altınışık [54] tarafından yapılan çalışmada nesnelerin gerçek zamanlı olarak tespiti ve sınıflandırılması amaçlanmıştır. Yapılan bu çalışmada fındık meyvesinden faydalanılmıştır. Ortamdan alınan resimler üzerinde görüntü işleme teknikleri kullanılarak fındıkların tespiti yapılmıştır. Ortalama tabanlı sınıflandırma ve K-means kümeleme yöntemleri kullanılarak fındıklar küçük, orta, büyük olmak üzere sınıflandırılmıştır. Görüntü işleme teknikleri ile ortamdaki fındık meyvesi %100 başarıyla tespit edilmiştir.
Bul ve diğ. [55] tarafından yapılan çalışmada görüntü işleme teknikleri kullanılarak tarımsal ürün olarak seçilen fasulyelerin iyi kalite ve kötü kalite olarak sınıflandırılmaları amaçlanmıştır. Çalışmada 50 tanesi iyi kalite 50 tanesi kötü kalite 100 fasulye kullanılmıştır. Bu fasulyelerden dijital kamerayla alınan görüntüler MATLAB Image Processing Toolbox da oluşturulan bir yazılım ile analiz edilmiştir. Daha sonrasında ise parametre karşılaştırma yöntemi ve yapay sinir ağları algoritmaları kullanılarak ayrıştırma işlemi gerçekleştirilmiştir. Bu iki algoritmaya ait başarı yüzdeleri karşılaştırılmıştır.
Pujari ve diğ [56] tarafından yapılan bu çalışmada bitkilerde meydana gelen mantar hastalığının erken teşhisi ve sınıflandırılması amaçlanmıştır. Tarım ürünleri sebzeler, meyveler, tahıllar ve ticari ürünler (pamuk, şeker kamışı ve kırmızı biber) olmak üzere dört grupta incelenmiştir. Bu ürünlerden dijital kamerayla alınan görüntüler filtreleme, kenar belirleme, canny detektörü, eşik belirleme, k-mean kümeleme gibi teknikler kullanılarak ilgili bitkilerdeki mantar hastalığının sınıflandırılması yapılmıştır.
Momin ve diğ [57] tarafından yapılan çalışmada görüntü işleme teknikleri kullanılarak mango meyvesinin boyut (büyük, orta, küçük) olarak sınıflandırılması amaçlanmıştır. Çalışmada farklı boyutlarda 120 adet mango meyvesi kullanılmıştır. Mangoların görüntüleri XGA formatlı renkli kamerayla alınmıştır. Görüntülerin işlenmesinde global eşikleme, filtreleme ve morfolojik analiz gibi tekniklere dayalı bir algoritma geliştirilmiştir. Görüntü işlemede Visual C++ ve OpenCV programlarından yararlanılmıştır. Çalışman sonucunda kullanılan yöntemin mangoların sınıflandırılmasında uygun olduğu anlaşılmıştır.
Aktan [58] tarafından yapılan çalışmada tavuk yumurtalarında görüntü işleme yöntemleri ile kalite kıstaslarının belirlenmesi amaçlanmıştır. Çalışmada 12 aylık bir tavuk sürüsünden alınan 150 adet yumurta kullanılmıştır. Kamera vasıtasıyla çekilen yumurta resimleri bilgisayar ortamına aktarılmıştır. Görüntülerin işlenmesi için Image Pro Plus yazılımı kullanılmıştır. Yumurtaların iç ve dış kalitesine ait kıstasların belirlenmesinde görüntü işlemenin daha faydalı olduğu tespit edilmiştir.
Aktan [59] tarafından yapılan çalışmada etlik piliçlerde bazı karkas özelliklerinin belirlenmesi amaçlanmıştır. Çalışma için 126 adet etlik piliç karkası kullanılmıştır. Bu karkaslardaki karkas alanı, göğüs genişliği, göğüs uzunluğu, göğüs alanı, göğüs ve abdominal deri rengi gibi özelliklerin görüntü işleme yardımıyla tespiti yapılmıştır. Görüntü işleme için Image-Pro-Express yazılımı kullanılmıştır. Sonuç olarak etlik piliçlerin karkas özellikleri doğru ve hızlı bir şekilde tespit edilmiştir.
Schofield ve Marchant [60] tarafından yapılan çalışmada görüntü işleme yardımıyla canlı hayvanların ağırlıklarının belirlenmesi amaçlanmıştır. Fotoğraf makinesi ile 15 adet domuzun 6 hafta boyunca haftada bir kez fotoğrafları çekilmiş ve sonrasında domuzlar tartılmıştır. Çekilen görüntüler sınır bulma algoritması kullanarak analiz edilmiştir. Çalışmanın sonucunda ağırlık tahmininde uygulanan algoritma kısmen başarılı olsa da hayvana ait görüntülerin daha iyi bir postürde ve daha doğru bir açıyla alınması durumunda başarının artacağı tespit edilmiştir.
Li Na Zhang ve diğ. [61] tarafından yapılan bu çalışmada görüntü işleme tekniklerinden yararlanılarak koyunların vücut ağırlıklarının tespit edilmesi amaçlanmıştır. Çalışma sırasında dijital bir kamera yardımıyla 10 adet koyunun üstten, soldan, sağdan görünüşlerinin görüntüleri alınmıştır. Görüntüler içerisinden 160 tane iyi kalitede görüntü seçilmiştir. Test sırasında koyunların uygun pozisyonda durmalarını sağlamak ve kameraları doğru açıda sabitlemek için otomatik bir ölçüm sistemi tasarlanmıştır. Görüntü işlemede kenar belirlemek için yalın doğrusal yinelemeli kümeleme (SLIC) ve bulanık kümeleme (FCM) algoritmaları kullanılmıştır. Sonuçlar görüntü işlemeye dayalı yöntemin uygun olduğunu göstermektedir.
Khojastehkey ve diğ. [62] tarafından yapılan çalışmada görüntü işleme teknikleri kullanılarak yeni doğan kuzuların vücut büyüklüğü tahmini ve genetik kazanca olan etkisi araştırılmıştır. Kuzuların görüntüleri dijital kamerayla alındıktan sonra MATLAB 7.8.0 programındaki Image Processing Tools kullanılarak analiz edilmiştir. Yapılan çalışmanın sonucunda görüntü işlemeye dayalı yöntemin vücut büyüklüğünü tahmin etme ve damızlık sürülerdeki genetik kazancı arttırma açısından geleneksel metotlara göre daha doğru sonuçlar verdiği görülmüştür.
Cömert ve diğ. [40] tarafından yapılan bu çalışmada yapay zekâ tekniklerinden birisi olan evrişimsel sinir ağları kullanılarak elmalarda çürük tespiti yapılmıştır. 100 adet sağlam ve 100 adet çürük elmaya ait toplamda 1200 görüntü alınmıştır. Görüntüler yakın kızılötesi görüntüleme (NIR) özelliğine sahip kamera yardımıyla alınmıştır. Görüntülere ön işleme kısmında histogram eşitleme, kenar bulma ve morfolojik işlemler uygulanarak görüntüler iyileştirilmiştir. Çürük tespitinde ise evrişimsel sinir ağlarına bağlı bir yöntem olan Faster Rcnn modeli tercih edilmiştir. Çalışma esnasında yazılım programı olarak matlab kullanılmıştır. Bu çalışmanın sonucunda çürük bölgelerin tespiti yapılmış ve sınıflandırma işlemi %84,95 oranında başarıya ulaşmıştır.
Dandıl ve diğ. [63] yaptığı bu çalışmada yapay zekanın bir kolu olan derin öğrenme mimarilerinden Faster RCNN algoritması kullanılarak sığır yüzlerinin sınıflandırılması ve tanınması amaçlanmıştır. İlk olarak bir besi çiftliğindeki 5 farklı sığıra ait 1579 görüntü alınıp bir veri seti oluşturulmuştur. Veri seti içerisindeki görüntüler sınıflarına göre etiketlenmiştir. Görüntüler etiketlendikten sonra tanıma işlemi için Google tarafından geliştirilen açık kaynak kodlu bir derin öğrenme kütüphanesi olan Tensorflow içerisindeki Faster R-CNN algoritması kullanılmıştır. Bu çalışmanın sonucunda sığır yüzlerinin sınıflandırılması ve tanınmasında %98,44 lük bir başarı oranı sağlanmıştır.